PROBABILIDAD

CONDICIONAL.
Introducción a la Estadística
ESPACIO MUESTRAL

Corresponde a todos los posibles resultados de un experimento

aleatorio y se representa como S o bien con Ω.

Ejemplos:

Ω ={ cara, cruz} , lanzamiento de una moneda.

Ω ={1, 2, 3, 4, 5, 6} , lanzamiento de un dado.
Evento E
Son cada uno de los resultados posibles que tiene
un determinado experimento.

Evento simple : es el que se observa en una sola

repetición del experimento.

 Evento mutuamente excluyente: dos eventos son

mutuamente excluyentes si, cuando un evento
ocurre, el otro no y viceversa.
SUCESO
Es cualquier subconjunto del espacio muestral.

Ejemplos:
1. Sacar cara al lanzar una moneda.
2. Sacar un número para al lanzar un dado.
3. Sacar un número primo al lanzar un dado.

Suceso o Evento

Evento simple : es el que se observa en una sola repetición del

experimento
 Evento mutuamente excluyente: dos eventos son mutuamente
excluyentes si, cuando un evento ocurre, el otro no y viceversa.
EJERCICIO DE PROBABILIDAD:

En una bolsa hay 10 bolitas numeradas del 11 al 20 idénticas, unas

de colores rojas y otras verdes.

1. Sacamos sin mirar una bolitas ¿Cuál es la probabilidad de

obtener un número primo?

2. Se sabe que la probabilidad de sacar una bolita verde es 3/5

¿Cuántas bolitas hay de cada color?

Desarrollo:
Espacio muestral:

Suceso:
Todos los sucesos elementales tienen la misma probabilidad de
ocurrir, la probabilidad de suceso cualquiera A se define como el
cociente entre el número de casos favorables y el número de casos
posibles.

De acuerdo al ejercicio:
1.
Casos favorables: 4 (números primos)

números primos: 11 - 13 - 17 - 19

Casos posibles: 10 (todos los números del 11 al 20)

4 2
𝑃 𝑛ú𝑚𝑒𝑟𝑜 𝑝𝑟𝑖𝑚𝑜 = =
10 5
2.
Probabilidad de que sea verde 3/5
Equivalente 3/5 = 6/10

𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠 6

𝑃 𝑠𝑎𝑐𝑎𝑟 𝑢𝑛𝑎 𝑏𝑜𝑙𝑖𝑡𝑎 𝑣𝑒𝑟𝑑𝑒 = =
𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠 10

Total de bolitas verdes son 6 y bolitas rojas son 4.

EL EVENTO E PUEDE OCURRIR EN H DE N MANERA IGUALES POSIBLES,
ENTONCES LA PROBABILIDAD DE QUE OCURRA EL EVENTO :

= 1 – p = 1 – P{E}

P(E) + P(no E) = 1

 Ejemplo cuando se lanza un dado, este puede

caer de seis maneras distintas. Un evento de que
caiga un 3 o un 4 es:
Ejemplo:

Cuando se lanza un dado, este puede caer de seis

maneras distintas. Un evento de que caiga un 3 o
un 4 es:
P (E)= 2/6 =1/3 la probabilidad de no obtener un 3 o
un 4. ( o sea la probabilidad de obtener un 1 , 2 , 5 o
un 6):
P(no E)= 1- P(E) =2/3

Las probabilidades de un evento es un numero

entre o y 1, si el evento no ocurre su probabilidad es
0. En cambio, si el evento tiene que ocurrir es decir
es seguro que ocurra, su probabilidad es 1.
Si la probabilidad que ocurra un evento, las
posibilidades u oportunidades a favor son p/q.
EJERCICIO
 Lanzamiento de un dado.
 Un experimento requiere lanzar un solo dado.
Estos son algunos eventos.

A: observar un 2
B: observar un numero par
C: observar un numero mayor a 2
D: observar A y B
E: observar A y C
PROBABILIDAD CONDICIONAL
Sucesos Independientes y Sucesos Dependientes.

Si E1 y E2 son dos sucesos, la probabilidad que E2 ocurra dado

que haya ocurrido E1 se denota por P(E2|E1) o P (E2 dado E1) y
se llama probabilidad condicional de E2 dado E1.

Si la ocurrencia o no de E1 no afecta para la probabilidad del

suceso E2, entonces P(E2|E1) = P(E2)
Y diremos que E1 y E2 son sucesos independientes, en caso
contrario son sucesos dependientes.
 Si denotamos por E1E2 el suceso de que “ambos E1 y E2 ocurran”
llamado suceso compuesto entonces:
 P(E1E2) = P(E1) P(E2|E1)

 P(E1E2) = P(E1)P(E2) para sucesos independientes.

 Para tres sucesos E1 , E2 y E3, tenemos:

 P(E1 E2 E3) = P(E1) P(E2|E1) P(E3|E1E2)

 Esto es que ocurra E1, E2 y E3 es igual a (la probabilidad de E1) x

(la probabilidad de E2 dado E1) x (la probabilidad de E3 dados E1
y E2). En particular:
 P(E1 E2 E3) = P(E1) P(E2) P(E3) para sucesos independientes.

 En general, si E1 , E2, E3, … , E n son n sucesos independientes

con probabilidades respectivas p1, p2, p3, …, p n, entonces la
probabilidad de que ocurran E1 y E2 y E3 y ….E n es p1p2 p3 ···
pn.
EJEMPLO:
 Sean E1 y E2 los sucesos “cara en el quinto lanzamiento” y “cara en el sexto lanzamiento” de una moneda,
respectivamente. Entonces E1 y E2 son sucesos independientes y por tanto la probabilidad de que salga
cara en ambos intentos (la moneda no trucada)

P(E1E2) = P(E1) P(E2) = (1/2) · (1/2) = ¼

 Si las probabilidades de A y B de estar vivos dentro de 20 años son 0,7 y 0,5 respectivamente, entonces la
probabilidad de que ambos lo estén es:

 Una caja contiene 3 bolitas blancas y 2 bolitas negras. Sea E1 el suceso “la primera bolita extraída es
negra” y E2 el suceso “la segunda bolita extraída es negra”. Las bolitas extraídas no son devueltas a la
caja. E1 y E2 son sucesos dependientes.
La probabilidad de que la primera bolita sea negra es:

P(E1) =2 /(3+2)=2/5

La probabilidad de que la segunda sea negra, dado que ya lo haya sido en la primera es:

P(E2|E1) = 1/(3+1) =1/4

Entonces la probabilidad de que ambas sean negras:

P(E1E2) = P(E1) P(E2|E1)= 2/5 ·1/4 = 1/10

PROBABILIDAD CONDICIONAL

Ejemplo:
Una maestra de matemáticas le da a su clase dos
exámenes. El 30% de la clase paso ambos exámenes y el
45% de la clase paso el primer examen. Qué porcentaje
de aquellos que pasaron el primer examen también
pasaron el segundo?

Dos tercios o aproximadamente el 66.7% de la clase

paso el segundo examen.
 SUCESOS MUTUAMENTE EXCLUYENTES

Dos o mas sucesos se llaman sucesos mutuamente excluyentes si

la ocurrencia de cualquiera de ellos excluye la de los otros.
De modo que si E1 y E2 son sucesos mutuamente excluyentes,
entonces P(E1E2) = 0 .

Si E1 + E2 denota el suceso de que “ocurra E1 o bien E2 o ambos

a la vez” entonces:

P(E1 + E2) =P(E1) +P(E2) –P(E1E2)

(se puede generalizar para tres o más sucesos mutuamente
excluyentes)

En particular:
P(E1 + E2) = P(E1) + P(E2) para sucesos mutuamente
excluyentes con probabilidades respectivas E1 o E2 o …oE n es
p1 +p2 + … + pn.
EJEMPLOS

Sean E1 el suceso “sacar un as de una baraja” y

E2 “sacar un rey”. Entonces:
P(E1) = 4/52 =1/13
P(E2) = 4/52 = 1/13
La probabilidad de sacar un as o un rey en un solo
ensayo es:

P(E1 + E2) =P(E1) + P(E2) = 1/13 +1/13 =2 /13

Pues no es posible sacar ambos a la vez , y son , por
lo tanto sucesos mutuamente excluyentes.
 Sean E1 el suceso “sacar un as” de una baraja y E2 “sacar una
espada”. Entonces E1 y E2 no son sucesos mutuamente
excluyente, porque puede sacarse el as de espadas. Luego la
probabilidad de sacar un as o una espada o ambos a la vez.

P(E1 + E2) = P(E1) + P(E2) – P(E1E2) = 4/42 + 13/52 - 1/52 = 16/52 = 4/13
 DISTRIBUCIONES DE PROBABILIDADES
Discretas:

 Si una variable X puede tomar un conjunto discreto

de valores X1, X2,…,Xk, con probabilidades
respectivas p1, p2, …, pk, donde p1+ p2+ …+pk = 1,
decimos que tenemos definida una distribución de
probabilidad discreta para X. La función p(X) , que
tiene valores p1, p2, …, pk para X= X1, X2, … Xk,
se llama función de probabilidad o una función de
frecuencia de X. Como X puede tomar ciertos
valores con ciertas probabilidades, se le llama una
variable aleatoria discreta. Una variable aleatoria
se conoce también como variable estocástica
EJEMPLO
 Sea X la suma de puntos obtenidas al lanzar dos dados. La
distribución de probabilidad se muestra en la tabla, por ejemplo la
probabilidad de obtener suma 5 es 4/36 =1/9; así que de 900
lanzamientos de los dos dados se espera que en 100 la suma de los
puntos sea 5.

 Obsérvese la analogía con las distribuciones de frecuencia

relativa, con probabilidad en lugar de frecuencia relativa. De
igual manera podemos pensar que las distribuciones de
probabilidad como formas teóricas o ideales en el limite, de
distribuciones de frecuencia relativa cuando el numero de
observaciones es muy grande. Por eso podemos pensar en las
distribuciones de probabilidad como si fueran distribuciones de
poblaciones, mientras que las distribuciones de frecuencia relativa
son distribuciones de muestras de esa población.
 Acumulando la probabilidad se obtiene distribuciones de probabilidad acumulada como la frecuencia relativa acumulada.
 Función asociad es llamada función de distribución
CONTINUAS
Las ideas anteriores también pueden extenderse al caso en que la
variable X puede tomar una serie de valores continuos. El polígono
de frecuencia relativa de una muestra llega a ser, en el caso limite
de una población, una curva continua, tal como la que se muestra en
la imagen, cuya ecuación es Y=p(X). El área total bajo esta curva
limitada por el eje X es igual a uno, y el área bajo la curva y entre
las recta X=a y X=b (área sombreada de la imagen) de la
probabilidad de que X se encuentre entre a y b, lo que se puede
representar por P {a <X<b}.

Pr{a < X < b} es el área sombreada bajo la función de densidad

Se conoce a p(X) como una función de densidad de la probabilidad, o
brevemente como función de densidad , y cuando tal función es dad
se dice que la distribución de probabilidad continua para X ha sido
definida. La variable X se llama también variable aleatoria continua.
Como en el caso discreto, se definen las distribuciones de
probabilidad acumulada y las funciones de distribución asociadas a
ellas.

Esperanza matemática
Si para p es la probabilidad de que una persona reciba una suma de
dinero S, pS define la esperanza matemática (o simplemente la
esperanza).
Si X denota una variable aleatoria discreta que puede tomar valores
X1, X2,…,Xk, con probabilidades p1, p2, …pk, respectivamente,
donde p1+ p2+ …+pk = 1, la esperanza matemática de X (o
simplemente de X) que se denota E(X) y se define :